AI 遗忘治理：机器不可知性合规审计

尽管法律规定“被遗忘权”，但 AI 运营者常常未能遵守数据删除请求。虽然机器不可知性 (MU) 提供了从训练模型中移除个人数据影响的技术解决方案，但确保合规仍然具有挑战性，因为 MU 的技术可行性与监管实施之间存在根本性差距。本文引入首个针对 MU 合规性的经济框架，通过将认证不可知性理论与监管执法集成。我们首先通过对认证不可知性的假设检验解释来刻画 MU 本质上的验证不确定性，从而推导审计员的检测能力；随后提出一种博弈论模型，捕捉审计员与运营者之间的战略互动。关键技术挑战源于 MU 特有的模型效用和检测概率中的非线性，导致传统审计框架无法处理且也不得不闭式解。我们通过将复杂的双变量非线性固定点问题转化为可处理的单变量辅助问题来克服这一挑战，从而实现系统解耦，建立了均衡的存在性、唯一性和结构属性，而无需依赖显式解。反直觉地，我们的分析揭示了随着删除请求增加，审计员可以最优地降低检查强度，因为运营者的不可知性减弱会使不合规更易被检测。这是一致于中国近期审计减少趋势的 despite 增长的删除请求。此外，我们证明尽管未披露的审计为审计员提供了信息优势，但它却相对公开审计降低了监管成本效益。